[DL輪読会]Deep Learning 第18章 分配関数との対峙
•
3 j'aime•1,646 vues
2018/01/15 Deep Learning JP: http://deeplearning.jp/seminar-2/
Recommandé
Contenu connexe
Tendances
Tendances (20)
Plus de Deep Learning JP
Plus de Deep Learning JP (20)
Dernier
Dernier (12)
[DL輪読会]Deep Learning 第18章 分配関数との対峙
- 1. Deep Learning 輪読会 2017 第18章 分配関数との対峙 理学系研究科附属 天文学教育研究センター 学部4年 吉村勇紀
- 2. 構成 18.1 対数尤度 18.2 確率的最尤法 18.3 疑似尤度 18.4 スコアマッチングとレシオマッチング 18.5 雑音除去スコアマッチング 18.6 雑音対照推定 (NCE) 18.7 分配関数の推定
- 3. 18.1 対数尤度 • 非正規化確率分布の正規化 – 正規化定数の計算は多くのモデルで一般に困難である • 対数尤度の勾配 – 分配関数に対応する項が生じる（負項） – 以下負項をMCMCする手法を見る
- 4. 18.2 確率的最尤法とコントラスティブ・ダイバージェンス • 尤度関数最大化に対するMCMCの単純な適用 – 勾配1ステップ毎に混合を行う
- 5. 18.2 確率的最尤法とコントラスティブ・ダイバージェンス • CDアルゴリズム – マルコフ連鎖の初期分布としてデータ分布を用いる
- 6. 18.2 確率的最尤法とコントラスティブ・ダイバージェンス • CDアルゴリズムの問題点 – 偽モードの出現 – RBMや可視変数ボルツマンマシンでは最尤推定値に収束しない – CDの更新方向はいかなる関数の勾配方向にならない
- 7. 18.2 確率的最尤法とコントラスティブ・ダイバージェンス • SML(PCD)アルゴリズム – マルコフ連鎖の初期分布として前の勾配ステップの分布を用いる
- 8. 18.3 疑似尤度 分配関数• を計算せずに対数尤度を求める方法 条件付– き確率の和で対数尤度を擬似的に表す 条件付– き確率は確率の比なので分配関数は打ち消して現れない 疑似尤度– 一般化疑似尤度• インデックス– 集合として一般化 密度推定– など完全な同時分布が必要なタスクには向かない 相関– がなるべくないようなインデックス集合が取れれば強力
- 9. 18.4 スコアマッチングとレシオマッチング スコアマッチング• モデル– 対数密度の入力微分とデータ対数密度の入力微分の二乗誤差を最小にする 分配関数– はxの関数ではないので、微分を取ることで落ちる L(x,– θ)の最小化は次の期待値の最小化と同じ 対数密度– の微分、二回微分が必要
- 10. 18.4 スコアマッチングとレシオマッチング • レシオマッチング – スコアマッチングの離散データへの拡張 – 次の目的関数の事例平均を最小化する – 計算量はSMLのn倍 – 二値データや高次のスパースなデータ（単語など）に適用される
- 11. 18.5 雑音除去スコアマッチング • スコアマッチングの正則化 – 新のデータ分布ではなく、次の分布に置き換える – 実際には真のデータ分布ではなく経験分布しか使えないから – 一致推定量の漸近的一致性は失われる
- 12. 18.6 雑音対照推定 (NCE) • 分配関数も同時に推定する – 次の対数尤度からパラメータと分配関数の近似値を同時に推定する – 単純な尤度最大化は不適（cが大きくなるだけ） – ノイズ分布を導入してスイッチ変数で切り替える
- 13. 18.7 分配関数の推定 • 重点サンプリング – 一般にp_1は高次元の複雑な分布なので質の悪い推定になってしまう
- 14. 18.7 分配関数の推定 • 焼きなまし重点サンプリング – が大きい時に中間分布を挟んで隔たりを埋める方法 – 分配関数の比は次のように表せる – 中間分布 -> 加重幾何平均をよく用いる – 中間分布のサンプリングはMCMC
- 15. 18.7 分配関数の推定 • 焼きなまし重点サンプリング – 手順 – 重要度重み – 分配関数の近似
- 16. 18.7 分配関数の推定 ブリッジサンプリング• １つの– 中間分布（ブリッジ）で補間する – が大きい場合にも適用しうる 最適– なブリッジ分布 – 粗いrから始めて更新していく AIS– とブリッジサンプリングを組み合わせた手法も提案されている